LLMs在一般自然語言任務表現優秀，但在生物醫學領域有挑戰。BKGs提供結構化資訊，而像ChatGPT這樣的LLMs擅長生成文本。搭載GPT-4.0的ChatGPT在資訊提供方面勝過GPT-3.5和BKGs，但BKGs提供更可靠的數據。ChatGPT在處理新發現和推理上較BKGs困難。整合LLMs和BKGs可提升生物醫學領域表現和知識進步。 PubMed DOI

LLMs在處理語言任務強，但在生物醫學領域有限制。BKGs整理生物醫學知識很有用。研究比較了ChatGPT和BKGs在生物醫學問答、知識發現和推理的表現。ChatGPT提供現有資訊表現好，但處理新發現和推理有困難。整合LLMs和BKGs可提升表現並促進生物醫學知識的發展。 PubMed DOI

研究利用大型語言模型來增進生物醫學知識圖譜，訓練生物醫學和臨床領域的語義模型。提出新方法，包括改進的對比學習、自我蒸餾和權重平均，生成準確的生物醫學概念和句子表示。通過各種任務評估，顯示相對現有方法的明顯改進。推出新英文最先進的生物醫學模型，以及支援50多種語言的多語言模型，有助於全球臨床流程和生物信息學研究。BioLORD-2023模型旨在成為未來生物醫學應用的重要工具。 PubMed DOI

自然語言處理進步，讓智能系統支援工廠知識分享成為可能。使用大型語言模型（LLM）系統，從文件和專家中檢索資訊，協助解決問題。研究指出LLM有優勢，但偏好向人類專家學習。比較後發現GPT-4最佳，開源模型更具優勢。提供工廠考慮使用LLM進行知識管理的見解和系統設計。 PubMed DOI

Transformer神經網絡，特別是大型語言模型(LLMs)，在材料分析、設計和製造上很有效。它們能處理各種數據，支持工程分析，像MechGPT在材料力學領域表現出理解能力。檢索增強的本體知識圖表等策略可提高生成性能，解決困難。這些方法在材料設計探索中有優勢，並提供見解。非線性取樣和基於代理的建模增強生成能力，改進內容生成和評估。例如，問答、代碼生成和自動生成力場開發。 PubMed DOI

LLMs如ChatGPT和Med-PaLM在醫學問答表現優秀，但在非英語環境面臨挑戰。KFE框架提升中文醫學表現，整合臨床知識。像ChatGPT和GPT-4在CNMLE-2022有顯著進步，超越人類並通過考試。研究指出結合醫學知識與LLMs的情境學習有效，可橋接全球醫療語言障礙，減少不平等。 PubMed DOI

KRAGEN是一個解決自然語言難題的工具，利用知識圖譜和先進提示技術，解決大型語言模型的問題。它將知識轉換為數據庫，使用RAG檢索相關事實，並利用GoT將問題分解，提供更精確的解答。KRAGEN的圖形化界面幫助用戶評估解答品質，並可在GitHub上開源。 PubMed DOI

這篇論文提出了一個概念模型，探討影響健康素養的認知因素及社會經濟元素。作者們開發了HEALIE知識圖譜，整合了多種醫學本體論和專家意見的信息。接著，這個知識圖譜與大型語言模型結合，創造出個性化的醫療內容。文中還提供了一個範例，展示這種方法在提升健康素養、幫助個人管理健康及參與醫療決策方面的有效性。 PubMed DOI

這篇論文提出了一個評估大型語言模型（LLMs）在生物醫學知識編碼的框架，特別針對抗生素研究。框架分為三個步驟：流暢性、提示對齊和語義一致性，並評估事實知識和回應的具體性。研究涵蓋了ChatGPT、GPT-4和Llama 2等十一個模型，透過生成化合物定義和確定化合物與真菌關係的任務進行評估。結果顯示，雖然流暢性有所提升，但事實準確性仍有待加強，對LLMs作為生物醫學知識庫的可靠性提出了疑慮，並強調需要更系統的評估方法。 PubMed DOI

基於知識圖譜的檢索增強生成（KG-RAG）框架，成功解決了大型語言模型在生物醫學等知識密集型領域的挑戰。透過SPOKE生物醫學知識圖譜，KG-RAG優化了標記使用，提升了Llama-2、GPT-3.5和GPT-4的表現。該框架有效降低標記消耗超過50%，同時保持準確性，顯著改善了對生物醫學提示的回應，並在基準數據集上提升表現，Llama-2在多選題上提高了71%。KG-RAG以具成本效益的方式結合知識圖譜與大型語言模型，讓通用模型更能應對特定領域查詢。SPOKE KG和KG-RAG的代碼已公開，並提供生物醫學基準數據集供研究使用。 PubMed DOI